Nama Mahasiswa : Rahmat Riansyah
NIM : A3202300029
Deskripsi : Tujuan analisis untuk memahami pola dan
hubungan dalam data Angka Harapan Hidup, Pendapatan per Kapita, dan
faktor-faktor lainnya.
Sebelum membuat sebuah program di dalam R Markdown kita harus memperhatikan beberapa yang perlu kita persiapkan untuk menunjang isi data beserta visualisasinya.
Hal pertama yang perlu dipersiapkan adalah dengan memanggil beberapa library yang di butuhkan yaitu dengan menginstal di menu Packages dan cara memanggilnya seperti berikut.
library(ggplot2)
library(readr)
library(readxl)
library(gapminder)
library(reshape2)
library(gganimate)
library(plotly)##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
Selain Library kita juga perlu memanggil Data yang akan kita gunakan dalam pembuatan visualisasi tersebut.Untuk tugas kali ini karena kita menggunakan data Excel dapat mengikuti kode dibawah ini.
Setelah memanggil data yang akan kita gunakan selanjutnya menentukan grafik apa yang akan kita buat secara berbeda.Dari ujian tersebut terdapat 4 minimal visualisasi data seperti berikut:
Grafik univariate digunakan untuk menganalisis distribusi satu variabel tunggal. Grafik ini membantu dalam memahami pola, sebaran, dan karakteristik dari data yang dianalisis.
# memanggil library
library(ggplot2)
# Contoh kode untuk membuat histogram
ggplot(Data, aes(x = Angka_Harapan_Hidup)) +
geom_histogram(binwidth = 1, fill = "blue", color = "white") +
labs(title = "Distribusi Angka Harapan Hidup di Negara-Negara",
x = "Angka Harapan Hidup",
y = "Frekuensi")Grafik bivariate digunakan untuk menganalisis hubungan antara dua variabel. Grafik ini membantu dalam mengidentifikasi pola, tren, dan korelasi antara kedua variabel.
Grafik multivariate digunakan untuk menganalisis hubungan antara lebih dari dua variabel. Grafik ini membantu dalam memahami interaksi dan pola yang lebih kompleks dalam data.
# Contoh kode untuk membuat heatmap
library(ggplot2)
library(reshape2)
# Misalkan 'data' adalah nama dataset Anda
heatmap_data <- dcast(Data, Benua ~ Tahun, value.var = "Angka_Harapan_Hidup")## Aggregation function missing: defaulting to length
ggplot(melt(heatmap_data), aes(x = variable, y = Benua, fill = value)) +
geom_tile() +
scale_fill_gradient(low = "white", high = "blue") +
labs(title = "Analisis Angka Harapan Hidup Berdasarkan Benua dan Tahun",
x = "Tahun",
y = "Benua")## Using Benua as id variables
Grafik interaktif memungkinkan pengguna untuk berinteraksi dengan data secara langsung. Ini memberikan pengalaman yang lebih mendalam dan memungkinkan eksplorasi data yang lebih fleksibel
# Contoh kode untuk membuat grafik interaktif menggunakan Plotly
library(plotly)
# Membuat grafik interaktif
Harapan_Hidup <- plot_ly(Data, x = ~Jumlah_anak, y = ~Angka_Harapan_Hidup, type = 'scatter', mode = 'markers',
marker = list(size = 10, color = 'rgba(255, 0, 0, .8)',
line = list(width = 2, color = 'rgba(0, 0, 0, .8)'))) %>%
layout(title = "Grafik Interaktif Angka Harapan Hidup dan Jumlah Anak",
xaxis = list(title = "Jumlah Anak"),
yaxis = list(title = "Angka Harapan Hidup"),
hovermode = "closest") # Menambahkan hovermode untuk interaksi yang lebih baik
# Menampilkan grafik interaktif
Harapan_Hidupcat(“Dari analisis ini, terlihat bahwa Pendapatan per Kapita berpengaruh positif terhadap Angka Harapan Hidup. Dengan meningkatnya pendapatan, angka harapan hidup juga cenderung meningkat, menunjukkan adanya hubungan yang signifikan antara kedua variabel tersebut.”)